粒子群优化算法，在1995年由Eberhart博士和kennedy博士提出，源于对鸟群捕食的行为研究。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。算法流程图如下所示。

核心公式（ 更新速度和位置）： 这里   w \ w  w称为惯性因子，   C 1 \ C1  C1 和   C 2 \ C2  C2 称为加速常数，一般取   [ 0 , 4 ] \ [0,4]  [0,4] 。   P i d \ Pid  Pid 表示第   i \ i  i 个变量的个体极值的第   d \ d  d 维。   P g d \ Pgd  Pgd 表示全局最优解的第   d \ d  d维。

PSO算法是一种随机的、并行的优化算法。

优点 是：不要求被优化函数具有可微、可导、连续等性质，收敛速度较快，算法简单，容易编程实现。

然而，PSO算法的 缺点 在于：

（1）对于有多个局部极值点的函数，容易陷入到局部极值点中，得不到正确的结果。

造成这种现象的原因有两种，其一是由于待优化函数的性质；其二是由于微粒群算法中微粒的多样性迅速消失，造成早熟收敛。这两个因素通常密不可分地纠缠在一起。

（2）由于缺乏精密搜索方法的配合，PSO算法往往不能得到精确的结果。

造成这种问题的原因是PSO算法并没有很充分地利用计算过程中获得的信息，在每一步迭代中，仅仅利用了群体最优和个体最优的信息。

（3）PSO算法虽然提供了全局搜索的可能，但是并不能保证收敛到全局最优点上。

因此，PSO算法一般适用于一类高维的、存在多个局部极值点而并不需要得到很高精度解的优化问题。